Antes de escolher um modelo de inteligência artificial, é preciso garantir que os dados que vão alimentá-lo sejam confiáveis, seguros, organizados e relevantes. Essa foi a principal mensagem de Alex Assis, fundador e CTO da KXC Tecnologia, na palestra que abriu o primeiro dia do Data Science Summit Brasil 2026.
Para ilustrar o desafio enfrentado pelas empresas, o palestrante propôs uma comparação com a experiência em um restaurante de alto padrão: quem escolheria novamente um prato bonito, mas que teve um gosto ruim? A partir da reação da plateia, Assis traçou um paralelo com os projetos de tecnologia que prometem resultados, mas não entregam o valor esperado.
Segundo ele, muitas organizações investem em inteligência artificial sem estabelecer as condições necessárias para que as soluções funcionem. Um exemplo recorrente é o desenvolvimento simultâneo de projetos isolados em diferentes departamentos, como assistentes virtuais para o marketing e ferramentas de resumo de documentos para o jurídico. Sem uma estratégia integrada, essas iniciativas podem consumir recursos sem alcançar os resultados esperados.
O palestrante citou dados que, segundo sua apresentação, demonstram a distância entre a adoção da IA e a obtenção de resultados concretos. Para ele, o desafio não está apenas em incorporar a tecnologia, mas em prepará-la para atender às necessidades reais do negócio.
Quatro causas do insucesso
Na avaliação de Assis, quatro fatores ajudam a explicar por que tantas iniciativas de inteligência artificial não atingem seus objetivos.
O primeiro é tratar a infraestrutura tecnológica, especialmente a hospedagem em nuvem, apenas como despesa, sem avaliar o custo total da operação. Segundo ele, estudos de migração podem revelar oportunidades de economia, inclusive pela identificação de custos menos evidentes dos data centers próprios, como energia e manutenção de hardware. A KXC, de acordo com o palestrante, já identificou reduções de até 40% nos custos em projetos de migração para a nuvem.
O segundo fator é a falta de protagonismo da tecnologia nas decisões estratégicas. Assis defendeu que a área de TI precisa participar da definição dos objetivos do negócio, e não atuar somente como suporte. Nesse contexto, destacou o papel do Chief Technology Officer (CTO) na transformação dos investimentos tecnológicos em resultados, na expansão das operações sem aumento desproporcional dos custos e na adoção responsável da IA.
O terceiro problema é a crença de que a escolha de um modelo de inteligência artificial, por si só, resolverá os desafios da empresa. Para o palestrante, o modelo é apenas uma parte da solução. Sem dados adequados e uma aplicação alinhada ao problema que se pretende resolver, a tecnologia não entrega todo o seu potencial.
A quarta causa é a pressa. A pressão para implementar soluções rapidamente pode levar as organizações a pular etapas importantes de planejamento, preparação e validação.
As consequências de uma base inadequada
Essas falhas podem gerar informações incorretas em larga escala, custos maiores do que o previsto e problemas identificados pelos clientes antes mesmo de a própria empresa perceber que algo está errado.
Em aplicações de atendimento, por exemplo, uma solução de IA que fornece respostas equivocadas pode comprometer a experiência do cliente e afetar a confiança na organização. Por isso, Assis ressaltou que a preparação dos dados deve anteceder a escolha do modelo e o desenvolvimento da aplicação.
Embora os dados sejam frequentemente comparados ao petróleo, o palestrante chamou a atenção para um ponto fundamental: eles só se tornam um ativo quando são organizados e tratados de forma adequada.
Metodologia dos 6 Cs
Como caminho para melhorar a qualidade dos dados e criar condições para projetos de IA mais eficientes, Assis apresentou uma metodologia estruturada em seis pilares: conexão, controle, contexto, custo, cibersegurança e conformidade.
- Conexão: reunir informações que estão dispersas em diferentes sistemas, facilitando o acesso e a consulta pela inteligência artificial.
- Controle: definir responsáveis pelos dados, que devem acompanhar sua qualidade, atualização e consistência. Na visão do palestrante, um dado com responsável definido pode se tornar um ativo para a organização; sem gestão, tende a representar um custo.
- Contexto: fornecer à IA as informações realmente relevantes para cada tarefa. Mais dados nem sempre significam respostas melhores; a seleção adequada do conteúdo contribui para resultados mais precisos.
- Custo: considerar o consumo de recursos computacionais e de tokens. Prompts excessivamente extensos e o uso desnecessário de informações podem elevar os custos das aplicações.
- Cibersegurança: proteger os dados e as aplicações contra ameaças, considerando inclusive riscos específicos das interações com sistemas de inteligência artificial.
- Conformidade: assegurar que o uso dos dados respeite as normas aplicáveis, incluindo a Lei Geral de Proteção de Dados (LGPD), com atenção especial às informações pessoais e sensíveis.
Ao concluir, Assis reforçou que o sucesso da inteligência artificial depende de decisões que vão além da tecnologia escolhida. É necessário integrar dados, governança, segurança e objetivos de negócio para que os investimentos se traduzam em benefícios concretos.
Conteúdo produzido por Básica Comunicações
Fotos: Marco Antonio Tavares
